Reservoir characterization using a hybrid of particle swarm optimization: A case study from the Blackfoot field, Canada
Notice bibliographique
Résumé
The development, management, and optimization of a reservoir depend on precise reservoir characterization.There are several methods for doing this, however in the current work, seismic inversion based on the hybrid particle swarm optimization (HPSO) methodology is used.In this method, a local optimization method called quasi-newton method (QNM), combined with a global optimization method called PSO to maximize their benefits and minimize their downsides are used.The global optimization method takes a lot of time to converge whereas, Quasi-Newton method is rapid, but heavily dependent on the initial model.The present study takes these two limitations into account.To characterize the reservoir, the hybrid PSO uses post-stack seismic data to predict acoustic impedance and porosity in the inter-well zone.The effectiveness of this newly devised method is first evaluated using synthetic data, and then it is applied to the real data from the Blackfoot area in Canada.The findings show that for both the synthetic and real data, the inverted outcomes closely match the observed data.The analysis anticipated that the inter-well acoustic impedance and porosity volume would vary from 6000 to 12000 m/s*g/cc and 5-22%, respectively.These volumes display extremely detailed subsurface data.The analysis of inverted findings reveals an abnormal zone inside the two-way transit time frame of 1045 to 1065 ms, ranging from low-impedance 6500-9000m/s*g/cc, and high porosity >15%.This unconventional area is classified as a reservoir.The method is particularly useful in nearby regions where detailed subsurface information needs to be estimated, even with limited prior data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».